論文の概要: nnActive: A Framework for Evaluation of Active Learning in 3D Biomedical Segmentation

• arxiv url: http://arxiv.org/abs/2511.19183v1
• Date: Mon, 24 Nov 2025 14:50:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.263597
• Title: nnActive: A Framework for Evaluation of Active Learning in 3D Biomedical Segmentation
• Title（参考訳）: nnActive: 3Dバイオメディカルセグメンテーションにおけるアクティブラーニングの評価フレームワーク
• Authors: Carsten T. Lüth, Jeremias Traub, Kim-Celine Kahl, Till J. Bungert, Lukas Klein, Lars Krämer, Paul F. Jaeger, Fabian Isensee, Klaus Maier-Hein,
• Abstract要約: アクティブラーニングが3Dバイオメディカルイメージングにおいてランダムサンプリングを一貫して上回っているかどうかについては合意が得られていない。 本研究では,大規模な研究によってこれらの落とし穴を克服するオープンソースのALフレームワークであるnnActiveを紹介する。 A)全てのALメソッドは標準のランダムサンプリングよりも優れているが、改良されたフォアグラウンドアウェアランダムサンプリングを確実に上回るものではない。
• 参考スコア（独自算出の注目度）: 10.824557886932986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation is crucial for various biomedical applications, yet its reliance on large annotated datasets presents a bottleneck due to the high cost and specialized expertise required for manual labeling. Active Learning (AL) aims to mitigate this challenge by querying only the most informative samples, thereby reducing annotation effort. However, in the domain of 3D biomedical imaging, there is no consensus on whether AL consistently outperforms Random sampling. Four evaluation pitfalls hinder the current methodological assessment. These are (1) restriction to too few datasets and annotation budgets, (2) using 2D models on 3D images without partial annotations, (3) Random baseline not being adapted to the task, and (4) measuring annotation cost only in voxels. In this work, we introduce nnActive, an open-source AL framework that overcomes these pitfalls by (1) means of a large scale study spanning four biomedical imaging datasets and three label regimes, (2) extending nnU-Net by using partial annotations for training with 3D patch-based query selection, (3) proposing Foreground Aware Random sampling strategies tackling the foreground-background class imbalance of medical images and (4) propose the foreground efficiency metric, which captures the low annotation cost of background-regions. We reveal the following findings: (A) while all AL methods outperform standard Random sampling, none reliably surpasses an improved Foreground Aware Random sampling; (B) benefits of AL depend on task specific parameters; (C) Predictive Entropy is overall the best performing AL method, but likely requires the most annotation effort; (D) AL performance can be improved with more compute intensive design choices. As a holistic, open-source framework, nnActive can serve as a catalyst for research and application of AL in 3D biomedical imaging. Code is at: https://github.com/MIC-DKFZ/nnActive
• Abstract（参考訳）: セマンティックセグメンテーションは様々なバイオメディカル応用に不可欠であるが、大きな注釈付きデータセットへの依存は、手動ラベリングに必要な高コストで専門的な専門知識のためにボトルネックとなる。 Active Learning(AL)は、最も情報に富んだサンプルのみをクエリすることで、アノテーションの労力を減らすことで、この課題を軽減することを目的としている。 しかし、3Dバイオメディカルイメージングの分野では、ALがランダムサンプリングを一貫して上回っているかどうかについては合意が得られていない。 4つの評価落とし穴が現在の方法論的評価を妨げている。 1) データセットやアノテーションの予算が少なすぎること,(2) 部分アノテーションを伴わない3次元画像に2次元モデルを使用すること,(3) ランダムベースラインがタスクに適応していないこと,(4) アノテーションのコストをボクセルでのみ測定すること,などである。 本研究では,(1)4つのバイオメディカル画像データセットと3つのラベル構造にまたがる大規模な研究,(2)3Dパッチベースのクエリ選択によるトレーニングのための部分アノテーションを用いたnnU-Netの拡張,(3)医療画像の背景クラス不均衡に対処するフォアグラウンドランダムサンプリング戦略,(4)背景領域の低アノテーションコストを捉えるフォアグラウンド効率指標を提案することによる,これらの落とし穴を克服するオープンソースのALフレームワークであるnnActiveを紹介する。 A)全てのALメソッドが標準のランダムサンプリングより優れているが、改善されたフォアグラウンド・アウェア・ランダムサンプリングを確実に上回るものではない; (B)ALの利点はタスク固有のパラメータに依存している; (C)予測エントロピーは全体として最高のALメソッドであるが、おそらく最もアノテーションの努力を必要とする; (D)ALパフォーマンスはより計算集約的な設計選択で改善できる。 全体的なオープンソースフレームワークとして、nnActiveは3DバイオメディカルイメージングにおけるALの研究および応用の触媒として機能する。 コード https://github.com/MIC-DKFZ/nnActive

関連論文リスト

• OpenPath: Open-Set Active Learning for Pathology Image Classification via Pre-trained Vision-Language Models [22.494367900953645]
  病理画像分類のためのオープンセット能動的学習手法OpenPathを提案する。 OpenPathは、選択されたサンプルの純度が高いため、モデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-06-18T09:47:45Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
  不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。 冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。 実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-23T02:43:03Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。